CN114488069A - 基于图神经网络的雷达高分辨率距离像识别方法 - Google Patents
基于图神经网络的雷达高分辨率距离像识别方法 Download PDFInfo
- Publication number
- CN114488069A CN114488069A CN202210236686.9A CN202210236686A CN114488069A CN 114488069 A CN114488069 A CN 114488069A CN 202210236686 A CN202210236686 A CN 202210236686A CN 114488069 A CN114488069 A CN 114488069A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- graph structure
- ith
- structure data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000547 structure data Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000005484 gravity Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图神经网络的雷达高分辨率距离像识别方法,包括以下步骤:S1、数据预处理,S2、特征提取,S3、输出分类结果,S4、重复步骤S1‑S3完成测试,将HRRP测试数据先通过步骤S1‑1进行分类,再送入已完成步骤S1‑S3的训练的模型中进行测试。采用上述技术方案,提出了一种序列构造图(seq2graph)的方法,从transformer中提取节点之间的关系权重,将其与节点特征组成一个图结构数据,从而便于利用图神经网络的方法进行处理,从而为提高识别效果和减少计算量奠定基础。
Description
技术领域
本发明涉及雷达目标识别技术领域,具体指一种基于图神经网络的雷达高分辨率距离像识别方法。
背景技术
高分辨距离像(HRRP)即高分辨雷达扫描到目标然后产生的散射点子回波的总和,由于高分辨带宽雷达的距离分辨率远小于目标尺寸,故高分辨雷达回波中的起伏和尖峰反映了目标结构的相对几何关系。此外,除了信号带宽以外,对雷达没有其他苛刻的要求,可以很方便的获取到目标的HRRP数据,且HRRP数据是一维的,故可以很方便的存储数据,且计算量也相对降低很多。由以上优点,基于HRRP的雷达自动目标识别方法已成为雷达目标识别领域中非常热门的方向。
由于待识别目标的HRRP原始样本数据是一维的,其本质属性很难直接由其HRRP的原始数据表现出来,因此,对HRRP原始样本数据的特征提取和利用已成为当前大多数的HRRP目标识别系统的重要过程。传统的HRRP特征提取方法主要分为两大部分:(1)基于变换(Transformer)的特征提取方法,如谱图等。这些方法都是将HRRP信号投影到频域,之后对其频域特征进行建模识别。(2)基于降维后的数据,进行特征提取的方法。虽然传统特征提取方法有很好的识别性能,但是这些方法大多是无监督且有损的,并且特征提取方法的选择高度依赖科研人员对数据的认识和经验,因此,很多情况下,难以达到好的效果。
近年来由于深度学习的兴起,且传统方法存在上述不足,和对更高精度的追求,人们尝试用深度学习的方法来进行HRRP目标样本进行分类,常见的方法有卷积神经网络(CNN)、循环神经网络(RNN)以及将自然语言处理中的方法应用到HRRP分类中,这些方法均是基于序列或者基于网格数据的。对于CNN,充分利用了HRRP中相距较近的散射点信息,但是当网络较浅时,很难提取到空间距离较远的两个散射点的特征,故一般需要堆叠较深的网络才会有较好的效果,这无形中增加了计算量。RNN用于处理一维序列有着天然的优势,可以利用之前的特征来预测下一个节点的特征,即当前点的新特征由其左侧特征得到,由此便没有提取到其右侧的节点特征,即便是双向RNN,可以提取某一点左右的节点特征来作为该点的新特征,但当序列很长时,将会逐渐减弱前面节点的特征。对于NLP中的新秀BERT,主要基于transformer网络结构,其内部由多个transformer多维度的堆积而成,transformer可以有效提取HRRP样本中相距较远的两个散射点之间特征,由此产生了较好的结果,但由于大量transformer的堆叠,计算量和内存消耗也不可无视。
发明内容
本发明根据现有技术的不足,提出一种基于图神经网络的雷达高分辨率距离像识别方法,不仅能够提高识别效果,并且计算量减小,提高了识别效率。
一种基于图神经网络的雷达高分辨率距离像识别方法,包括以下步骤:
S1、数据预处理
S1-1、收集原始数据,通过雷达采集的HRRP数据;
S1-2、对数据依次做强度归一化处理;
S1-3、对完成强度归一化处理后的数据依次做重心对齐处理;
S1-4、将预处理过后的序列数据转换成线性图结构数据;
S2、特征提取
S2-1、分别使用ResGatedGCN和GCN对线性图结构数据进行特征维度扩充;
S2-2、将GCN扩充后的线性图结构数据通过Transformer制作非线性图结构数据,并删除节点关联较小的边;
S2-3、将非线性图结构数据通过Graph Transformer聚集边特征和节点特征,并将结果与ResGatedGCN的输出相加;
S2-4、重复步骤S2-1至步骤S2-3;
S3、输出分类结果
S3-1、将线性图结构数据通过ResGatedGCN与步骤S2-4的输出相加;
S3-2、使用全连接网络和softmax搭建分类器,步骤S3-1的输出通过分类器得到分类结果;
S4、重复步骤S1-S3完成测试
将HRRP测试数据先通过步骤S1-1进行分类,再送入已完成步骤S1-S3的训练的模型中进行测试。
作为优选,所述步骤S1-1中,对HRRP数据的每个类别进行采样,分别选出训练集和测试集,之后进行合并,保证每个类别的数据形式都有被采样到,训练集和测试集比例保持在7∶3,将训练数据集记为X,其中xi表示第i个样本,yi表示第i个样本的类别,一共采集了C类目标,样本总数记为N。
作为优选,所述步骤S1-2中,强度归一化,假设原始HRRP数据表示为xraw=[x1,x2,...,xM],其中M表示HRRP数据中距离单元总数,归一化之后的HRRP表示为:
作为优选,所述步骤S1-3中,重心对齐,为了使训练和测试具备统一标准,采用重心对齐法消除平移敏感性,重心对齐法通过平移HRRP使其重心位于HRRP中心点附近,重心g的计算方法如下:
记预处理过后的一个样本数据为xpre。
作为优选,所述步骤S1-4中,将原始孤立的M的节点按照原来的序列,通过添加相邻边的方式将其连接在一起,
V=Xpre
E={eij}
其中,|i-j|=1且0≤i,j≤M,将由此种方法产生的图结构称为线性图结构,记为
作为优选,所述S2-1中,
线性图结构数据通过GCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征,其过程为:
将线性图结构数据通过ResGatedGCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征;其过程为:
ri,j=σ(W3xi+W4xj)
其中σ(·)为sigmoid函数;W1~W4均为科学系的权重参数。
作为优选,所述S2-2中,
利用transformer计算边的权重,节点i与其他节点之间的边权重向量为:
则一个样本所有边的权重矩阵为:
为减小参数,每个节点只取边权重最大的K个节点作为相连节点,与其他节点的边均置为0,即与剩下的其他的节点无连接,具体原理如下式所示:
计算节点通过transformer后的新的表示,将上面得到的权重与每个节点的值向量相乘,之后再求和,便可得到该点的节点表示:
作为优选,所述S2-3中,
其由表示第l层第c个注意力机制中第i个节点的查询向量,表示第l层第c个注意力机制中第j个节点的键向量,ec,ij表示第c个注意力机制中第i个节点和第j个节点之间关系权重,是指数尺度的点积函数,d是每个注意力机制中键向量的维度,即为第l层第c个注意力机制中第i个节点和第j个节点之间的注意力权重,在得到图的多头注意力权重后,再从j到i进行聚合:
其中表示第l层第c个注意力机制中第j个节点的值向量,由j节点的特征向量通过一个全连接层而得到,表示与节点i相连的所有节点,是由graphtransformer得到的特征在l层的输出,设共有L层,则Graph Transformer的输出为为防止过拟合,将GraphTransformer的输出与ResGatedGCN地输出Xres相加,即
X′Xres+H(L)
重复步骤S2-1至步骤S2-3,输出结果为X″。
作为优选,所述S3-1中,
通过ResGatedGCN得到预处理数据地单维特征信息,输出地节点信息记为X′res;
将X′res与X″得到节点特征表达X″′∈R1×M。
作为优选,所述S3-2中,
将X″′通过全连接层,得到Y∈R1×C,C为种类数量;
将Y通过softmax函数,HRRP训练样本Xtrain对应于目标集中第i类目标的概率表示为:
其中,exp(·)表示指数运算,yc表示训练样本xtrain通过网络,在全连接层处地输出序列的第c个元素,通过最大后验概率将测试HRRP样本xtrain分类到最大目标概率c0中:
训练过程中,采用交叉熵作为损失函数,其定义为:
其中,N为每一批训练样本数量,ci表示第i个样本的类别,P(ci|xi)表示第i个样本是ci类别的概率值。
本发明具有以下的特点和有益效果:
1、提出了一种序列构造图(seq2graph)的方法,从transformer中提取节点之间的关系权重,将其与节点特征组成一个图结构数据,从而便于利用图神经网络的方法进行处理,从而为提高识别效果和减少计算量奠定基础。
2、利用图网络结构,很容易的提取HRRP样本中相距较远的散射点之间的特征,无需要像CNN那样堆叠很深的网络结构,从而减少计算成本和内存消耗,提高了识别效率。
3、提取相距较远的散射点之间的特征的同时,保留了序列本身具有的结构特征,并将两种特征融合作为分类层的输入,通过多中特征的识别,进一步的提高识别效果。
附图说明
图1为本发明实施例的原理示意图;
图2为本发明实施例中序列数据转换成线性的图结构数据原理示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种基于图神经网络的雷达高分辨率距离像识别方法,如图1所示,包括以下步骤:
S1、数据预处理
S1-1、收集原始数据,通过雷达采集的HRRP数据,
具体的,对HRRP数据的每个类别进行采样,分别选出训练集和测试集,之后进行合并,保证每个类别的数据形式都有被采样到,训练集和测试集比例保持在7:3,将训练数据集记为X,其中xi表示第i个样本,yi表示第i个样本的类别,一共采集了C类目标,样本总数记为N。
S1-2、为减弱强度不一致的干扰,对数据依次做强度归一化处理;
S1-3、为减弱平移敏感性的干扰,对完成强度归一化处理后的数据依次做重心对齐处理;
具体的,重心对齐,为了使训练和测试具备统一标准,采用重心对齐法消除平移敏感性,重心对齐法通过平移HRRP使其重心位于HRRP中心点附近,重心g的计算方法如下:
记预处理过后的一个样本数据为xpre。
可以理解的,上述技术方案中,为了减弱强度敏感性和平移敏感性对预测精确度的影响,因此需要对原始数据依次做强度归一化和重心对齐处理;
S1-4、将预处理过后的序列数据转换成线性图结构数据;
V=Xpre
E={eij}
其中,|i-j|=1且0≤i,j≤M,将由此种方法产生的图结构称为线性图结构,记为
上述技术方案中,通过将预处理过后的序列数据转换成线性图结构数据,方便利用图神经网络的方法进行处理。
S2、特征提取
S2-1、分别使用ResGatedGCN和GCN对线性图结构数据进行特征维度扩充;
具体的,线性图结构数据通过GCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征,其过程为:
将线性图结构数据通过ResGatedGCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征;其过程为:
ηi,j=σ(W3xi+W4xj)
其中σ(·)为sigmoid函数;W1~W4均为科学系的权重参数。
S2-2、将GCN扩充后的线性图结构数据通过Transformer制作非线性图结构数据,并删除节点关联较小的边;
具体的,利用transformer计算边的权重,节点i与其他节点之间的边权重向量为:
则一个样本所有边的权重矩阵为:
为减小参数,每个节点只取边权重最大的K个节点作为相连节点,与其他节点的边均置为0,即与剩下的其他的节点无连接,具体原理如下式所示:
计算节点通过transformer后的新的表示,将上面得到的权重与每个节点的值向量相乘,之后再求和,便可得到该点的节点表示:
S2-3、将非线性图结构数据通过Graph Transformer聚集边特征和节点特征,并将结果与ResGatedGCN的输出相加;
其中表示第l层第c个注意力机制中第i个节点的查询向量,表示第l层第c个注意力机制中第j个节点的键向量,ec,ij表示第c个注意力机制中第i个节点和第j个节点之间关系权重,是指数尺度的点积函数,d是每个注意力机制中键向量的维度,即为第l层第c个注意力机制中第i个节点和第j个节点之间的注意力权重,在得到图的多头注意力权重后,再从j到i进行聚合:
其中表示第l层第c个注意力机制中第j个节点的值向量,由j节点的特征向量通过一个全连接层而得到,表示与节点i相连的所有节点,是由graphtransformer得到的特征在l层的输出,设共有L层,则Graph Transformer的输出为为防止过拟合,将GraphTransformer的输出与ResGatedGCN地输出Xres相加,即
X′=Xres+H(L)
S2-4、重复步骤S2-1至步骤S2-3,输出结果为X″。
S3、输出分类结果
S3-1、将线性图结构数据通过ResGatedGCN与步骤S2-4的输出相加;
具体的,通过ResGatedGCN得到预处理数据地单维特征信息,输出地节点信息记为X′res;
将X′res与X″得到节点特征表达X″′∈R1×M。
S3-2、使用全连接网络和softmax搭建分类器,步骤S3-1的输出通过分类器得到分类结果;
具体的,将X″′通过全连接层,得到Y∈R1×C,C为种类数量;
将Y通过softmax函数,HRRP训练样本Xtrain对应于目标集中第i类目标的概率表示为:
其中,exp(·)表示指数运算,yc表示训练样本xtrain通过网络,在全连接层处地输出序列的第c个元素,通过最大后验概率将测试HRRP样本xtrain分类到最大目标概率c0中:
训练过程中,采用交叉熵作为损失函数,其定义为:
其中,N为每一批训练样本数量,ci表示第i个样本的类别,P(ci|xi)表示第i个样本是ci类别的概率值。
S4、重复步骤S1-S3完成测试
将HRRP测试数据先通过步骤S1-1进行分类,再送入已完成步骤S1-S3的训练的模型中进行测试。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式包括部件进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (10)
1.一种基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,包括以下步骤:
S1、数据预处理
S1-1、收集原始数据,通过雷达采集的HRRP数据;
S1-2、对数据依次做强度归一化处理;
S1-3、对完成强度归一化处理后的数据依次做重心对齐处理;
S1-4、将预处理过后的序列数据转换成线性图结构数据;
S2、特征提取
S2-1、分别使用ResGatedGCN和GCN对线性图结构数据进行特征维度扩充;
S2-2、将GCN扩充后的线性图结构数据通过Transformer制作非线性图结构数据,并删除节点关联较小的边;
S2-3、将非线性图结构数据通过Graph Transformer聚集边特征和节点特征,并将结果与ResGatedGCN的输出相加;
S2-4、重复步骤S2-1至步骤S2-3;
S3、输出分类结果
S3-1、将线性图结构数据通过ResGatedGCN与步骤S2-4的输出相加;
S3-2、使用全连接网络和softmax搭建分类器,步骤S3-1的输出通过分类器得到分类结果;
S4、重复步骤S1-S3完成测试
将HRRP测试数据先通过步骤S1-1进行分类,再送入已完成步骤S1-S3的训练的模型中进行测试。
2.根据权利要求1所述的基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,所述步骤S1-1中,对HRRP数据的每个类别进行采样,分别选出训练集和测试集,之后进行合并,保证每个类别的数据形式都有被采样到,训练集和测试集比例保持在7:3,将训练数据集记为X,其中xi表示第i个样本,yi表示第i个样本的类别,一共采集了C类目标,样本总数记为N。
6.根据权利要求1所述的基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,所述S2-1中,
线性图结构数据通过GCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征,其过程为:
将线性图结构数据通过ResGatedGCN进行特征维度扩充,由1×M扩充为32×M,同时初步提取邻居点特征;其过程为:
ηi,j=σ(W3xi+W4xj)
其中σ(·)为sigmoid函数;W1~W4均为科学系的权重参数。
7.根据权利要求6所述的基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,所述S2-2中,
利用transformer计算边的权重,节点i与其他节点之间的边权重向量为:
则一个样本所有边的权重矩阵为:
为减小参数,每个节点只取边权重最大的K个节点作为相连节点,与其他节点的边均置为0,即与剩下的其他的节点无连接,具体原理如下式所示:
计算节点通过transformer后的新的表示,将上面得到的权重与每个节点的值向量相乘,之后再求和,便可得到该点的节点表示:
8.根据权利要求7所述的基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,所述S2-3中,
其中表示第l层第c个注意力机制中第i个节点的查询向量,表示第l层第c个注意力机制中第j个节点的键向量,ec,ij表示第c个注意力机制中第i个节点和第j个节点之间关系权重,是指数尺度的点积函数,d是每个注意力机制中键向量的维度,即为第l层第c个注意力机制中第i个节点和第j个节点之间的注意力权重,在得到图的多头注意力权重后,再从j到i进行聚合:
其中表示第l层第c个注意力机制中第j个节点的值向量,由j节点的特征向量通过一个全连接层而得到,表示与节点i相连的所有节点,是由graphtransformer得到的特征在l层的输出,设共有L层,则Graph Transformer的输出为为防止过拟合,将GraphTransformer的输出与ResGatedGCN地输出Xres相加,即
X'=Xres+H(L)
重复步骤S2-1至步骤S2-3,输出结果为X”。
9.根据权利要求8所述的基于图神经网络的雷达高分辨率距离像识别方法,其特征在于,所述S3-1中,
通过ResGatedGCN得到预处理数据地单维特征信息,输出地节点信息记为X′res;
将X'res与X”得到节点特征表达X”'∈R1×M。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236686.9A CN114488069A (zh) | 2022-03-10 | 2022-03-10 | 基于图神经网络的雷达高分辨率距离像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236686.9A CN114488069A (zh) | 2022-03-10 | 2022-03-10 | 基于图神经网络的雷达高分辨率距离像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114488069A true CN114488069A (zh) | 2022-05-13 |
Family
ID=81486825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210236686.9A Pending CN114488069A (zh) | 2022-03-10 | 2022-03-10 | 基于图神经网络的雷达高分辨率距离像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114488069A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814776A (zh) * | 2022-06-24 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
CN117233725A (zh) * | 2023-11-15 | 2023-12-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
-
2022
- 2022-03-10 CN CN202210236686.9A patent/CN114488069A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114814776A (zh) * | 2022-06-24 | 2022-07-29 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
CN114814776B (zh) * | 2022-06-24 | 2022-10-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图注意力网络和迁移学习的pd雷达目标检测方法 |
CN117233725A (zh) * | 2023-11-15 | 2023-12-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
CN117233725B (zh) * | 2023-11-15 | 2024-01-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于图神经网络多特征融合的相干雷达目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN109858557B (zh) | 一种新的高光谱图像数据半监督分类方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN111695456A (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN112906828A (zh) | 一种基于时域编码和脉冲神经网络的图像分类方法 | |
CN111783879B (zh) | 基于正交注意力机制的层次化压缩图匹配方法及系统 | |
CN111160163B (zh) | 一种基于区域关系建模和信息融合建模的表情识别方法 | |
CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
CN117315381B (zh) | 一种基于二阶有偏随机游走的高光谱图像分类方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN112926645A (zh) | 一种基于边缘计算的窃电检测方法 | |
Miraftabzadeh et al. | Knowledge Extraction from PV Power Generation with Deep Learning Autoencoder and Clustering-Based Algorithms | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
Li et al. | Automation recognition of pavement surface distress based on support vector machine | |
CN113657472A (zh) | 一种基于子空间学习的多源遥感数据融合方法 | |
CN110956221A (zh) | 基于深度递归网络下小样本极化合成孔径雷达图像分类方法 | |
CN113111774B (zh) | 一种基于主动增量式微调的雷达信号调制方式识别方法 | |
CN115329821A (zh) | 一种基于配对编码网络和对比学习的舰船噪声识别方法 | |
CN115828085A (zh) | 联合迁移学习和监督学习的电磁谱辐射源智能识别方法 | |
CN114037866B (zh) | 一种基于可辨伪特征合成的广义零样本图像分类方法 | |
CN112818982B (zh) | 基于深度特征自相关性激活的农业害虫图像检测方法 | |
CN115496153A (zh) | 多头自注意力的深度卷积嵌入聚类风光荷联合场景方法 | |
Long et al. | Power quality disturbance identification and optimization based on machine learning | |
CN115062754A (zh) | 一种基于优化胶囊的雷达目标识别方法 | |
CN112782660A (zh) | 基于Bert的雷达目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |